目标检测
文章平均质量分 69
冰雪棋书
这个作者很懒,什么都没留下…
展开
-
目标检测的置信度和NMS
置信度(confidence)还存在一个很关键的问题:在训练中我们挑选哪个bounding box的准则是选择预测的box与ground truth box的IOU最大的bounding box做为最优的box,但是在预测中并没有ground truth box,怎么才能挑选最优的bounding box呢?这就需要另外的参数了,那就是下面要说到的置信度。置信度是每个bounding box输出的其中一个重要参数,作者对他的作用定义有两重:一重是:代表当前box是否有对象的概率 P r ( O b..原创 2022-09-14 15:58:13 · 9720 阅读 · 0 评论 -
单标签多分类+多标签单分类
1、单标签二分类:label标签的取值只有两种,并且算法中只有一个需要预测的label标签。直白来讲就是每个实例的可能类别只有两种(A or B)。此时的分类算法其实是在构建一个分类线将数据划分为两个类别。常见的算法有:Logistic、SAM、KNN等。2、单标签多分类:待预测的label标签只有一个,但是label标签的取值可以有多种情况。即每个实例的可能类别有K种。常见算法:softmax 、knn等。3、多标签单分类:4、多标签多分类:...原创 2022-01-04 16:01:12 · 2585 阅读 · 0 评论 -
YOLO原理
p1 什么是YOLOv3目标检测网络1、在图片上画出box框需要四个参数:分别是中心点的x轴、y轴坐标、框的高和宽。2、固定尺寸:416*416,为了防止失真,边缘加灰条。3、YOLOv3将图像分成13*13,26*26,52*52的网格,13检测大物体。4、YOLOv3不过是把一张图片划分成不同的网格,每个网格点负责一个区域的预测,只要物体的中心点落在这个区域,这个物体就由这个网格点来确定。p2 PyTorch-cuda 环境配置1、安装anaconda,最新版anaconda没有原创 2021-03-30 09:26:24 · 327 阅读 · 1 评论 -
YOLOv5
2020年2月YOLO之父Joseph Redmon宣布退出计算机视觉研究领域,2020 年 4 月 23 日YOLOv4 发布,2020 年 6 月 10 日YOLOv5发布。YOLOv5源代码:https://github.com/ultralytics/yolov5他们公布的结果表明,YOLOv5 的表现要优于谷歌开源的目标检测框架 EfficientDet,尽管 YOLOv5 的开发者没有明确地将其与 YOLOv4 进行比较,但他们却声称 YOLOv5 能在 Tesla P100 上原创 2021-07-16 17:22:56 · 3136 阅读 · 0 评论 -
YOLOv4
YOLOv4: Optimal Speed and Accuracy of Object Detection论文:https://arxiv.org/abs/2004.10934代码:https://github.com/AlexeyAB/darknetYOLOv4在COCO上,可达43.5%AP,速度高达65fpsYOLOv4的特点是集大成者,俗称堆料,但最终达到这么高的性能,一定是不断堆料、不断调参的结果。1、框架:backbone:CSPdarknet53 neck:SPP.原创 2021-07-16 17:22:47 · 565 阅读 · 0 评论 -
YOLOv3
YOLOv3:An Incremental Improvement 做大做强,再创辉煌速度和精度最均衡的目标检测网络。YOLOv3的模型比之前的模型复杂了不少,可以通过改变模型结构的大小来权衡速度与精度。YOLOv3在Pascal Titan X上处理608x608图像速度达到20FPS,在 COCO test-dev 上 mAP@0.5 达到 57.9%,与RetinaNet(FocalLoss论文所提出的单阶段网络)的结果相近,并且速度快4倍.简而言之,YOLOv3 的先验检测(Pr.原创 2021-07-16 17:22:15 · 1384 阅读 · 0 评论 -
YOLOv2
CVPR2017YOLOv2又叫YOLO9000能够识别9000种类,ImageNet1000种类+pascal VOC ,更细致的划分为9000类。1、backbone:darknet192、步骤:3、细节:YOLOv2:更好,更快,更强Batch Normalization(批归一化):mAP提升2.4%。 每个卷积层后增加BN,v1中也大量使用了BN,同时在定位层dropout, v2中去除了Dropout。 批归一化有助于解决反向传播过程中的梯度消失和梯度...原创 2021-07-16 17:21:30 · 822 阅读 · 0 评论 -
YOLOv1
YOLO vs Faster R-CNN1、YOLO没有求取region proposal的过程。Faster R-CNN中尽管RPN和fast rcnn 共享卷积层,但是在模型训练过程中,需要反复训练RPN网络和fast rcnn 网络,相对于R-CNN系列的看两眼(候选框提取和分类),YOLO只看一眼2、YOLO统一为一个回归问题,而R-CNN将检测结果分为两部分求解:物体类别(分类问题),物体位置即boundingbox(回归问题)YOLOv1:2016CVPR 45FPS 448*4原创 2021-07-16 17:21:07 · 131 阅读 · 0 评论 -
目标检测---SSD
SSD一、SSD网络架构1、SSD网络组成2、对VGG16的改造3、多尺度特征图二、SSD网络特色及训练技巧1、SSD网络结构特点2、先验框的设置方法3、Hard Negative Mining三、实验分析1、实验对比结果2、消融实验四、论文总结1、创新点、关键点、启发点论文导读1、研究背景、成果、意义2、论文泛读...原创 2021-11-02 17:59:26 · 248 阅读 · 0 评论